JP6777082B2 - 渋滞予測システム、渋滞予測方法、及び、プログラム - Google Patents

渋滞予測システム、渋滞予測方法、及び、プログラム Download PDF

Info

Publication number
JP6777082B2
JP6777082B2 JP2017536610A JP2017536610A JP6777082B2 JP 6777082 B2 JP6777082 B2 JP 6777082B2 JP 2017536610 A JP2017536610 A JP 2017536610A JP 2017536610 A JP2017536610 A JP 2017536610A JP 6777082 B2 JP6777082 B2 JP 6777082B2
Authority
JP
Japan
Prior art keywords
traffic
target point
traffic condition
target
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017536610A
Other languages
English (en)
Other versions
JPWO2017033443A1 (ja
Inventor
優太 芦田
優太 芦田
到 西岡
到 西岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2017033443A1 publication Critical patent/JPWO2017033443A1/ja
Application granted granted Critical
Publication of JP6777082B2 publication Critical patent/JP6777082B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Description

本発明は、渋滞予測システム、渋滞予測方法、及び、記録媒体に関する。
交通渋滞の予測情報は、道路利用者、道路管理者の双方にとって有用な情報であり、交通システムを高い効率で活用する、あるいは、道路管理業務を高度化するために、その必要性が高まっている。
このような、交通渋滞を予測する技術の一例が、特許文献１に開示されている。特許文献１のシステムでは、車両プローブデータから交通状態を収集し、収集した交通状態と、日時やイベントの有無等の他の情報とを組み合わせたベイジアンネットワークを構築する。そして、システムは、これら交通状態や他の情報と、特定の渋滞度とが同時に発生する結合確率を学習によって求め、プローブデータから渋滞度を予測する。
また、交通渋滞を予測する他の技術の例が、特許文献２に開示されている。特許文献２の渋滞予測装置では、道路の各区間における車両の平均速度と、平均速度の母集団を形成した車両プローブ数を用いて、車両数と走行速度の関係式のパラメータを推定する。そして、渋滞予測装置は、現在の交通情報を関係式に入力することで、各区間の移動可能速度を推定し、各区間の移動時間を算出する。渋滞予測装置は、算出した移動時間と、各車両の予定走行経路情報に基づいて、予測対象時間において各区間に存在する車両数、速度を求めることにより、渋滞度を予測する。
なお、関連技術として、非特許文献１には、時空間相関テンプレートを構築することにより、回帰分析による速度予測の精度を高める技術が開示されている。特許文献３には、過去の交通データを用いて事故発生パターンを学習し、現在時刻の交通データに対する事故発生傾向を求める、交通事故発生予報装置が開示されている。非特許文献２、及び、非特許文献３には、データの同一のパターンや規則性を持つグループ毎に予測モデルを生成する、異種混合学習技術が開示されている。非特許文献４には、車両流や速度と車両密度との関係を表すモデルを生成する方法が開示されている。
米国特許第７８１３８７０号明細書 国際公開第２０１４／０９１９８２号 特開２０１４−０３５６３９号公報
Min Wanli、Laura Wynter、「Real-time road traffic prediction with spatio-temporal correlations」、Transportation Research Part C: Emerging Technologies Volume 19 Issue 4、2011年8月、p.606-616 藤巻遼平、森永聡、「ビッグデータ時代の最先端データマイニング」、ＮＥＣ技報、Vol.65、No.2、2012年、p.81-85 Riki Eto, et al.、「Fully-Automatic Bayesian Piecewise Sparse Linear Models」、Proceedings of the 17th International Conference on Artificial Intelligence and Statistics (AISTATS), 2014年、p.238-246 Masako Bando, et al.、「Phenomenological study of dynamical model of traffic flow」、Journal de Physique I、5.11、1995年、p.1389-1399
上述の特許文献１の技術では、現在の交通状態や周辺情報と、各地点の渋滞度との同時確率を計算することにより渋滞を予測する。このため、ある状況における渋滞度を予測する場合、過去の同じ状況において渋滞が発生した学習データが無いと、渋滞予測が困難である。したがって、特許文献１の技術では、定期的に発生するような渋滞以外の渋滞を、高精度に予測できない。
また、特許文献２の技術では、各車両について精度の高い予定走行経路が得られるとは限らない。このため、各区間に存在する車両数、速度を求めるときに、走行経路の誤差に起因する予測誤差が増幅される可能性がある。したがって、特許文献２の技術でも、高精度で渋滞を予測することができない。
本発明の目的は、上述の課題を解決し、高い精度で渋滞を予測できる、渋滞予測システム、渋滞予測方法、及び、記録媒体を提供することである。
本発明の渋滞予測システムは、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、を備える。
本発明の渋滞予測方法は、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する。
本発明のコンピュータが読み取り可能な記録媒体は、コンピュータに、１以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、前記対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、処理を実行させるプログラムを格納する。
本発明の効果は、高い精度で渋滞を予測できることである。
本発明の実施の形態の特徴的な構成を示すブロック図である。 本発明の実施の形態における、渋滞予測システム１０の構成を示すブロック図である。 本発明の実施の形態における、コンピュータにより実現された渋滞予測システム１０の構成を示すブロック図である。 本発明の実施の形態における、学習処理を示すフローチャートである。 本発明の実施の形態における、予測処理を示すフローチャートである。 本発明の実施の形態における、学習用データの例を示す図である。 本発明の実施の形態における、交通パターンの例を示す図である。 本発明の実施の形態における、予測式の生成例を示す図である。 本発明の実施の形態における、ファンダメンタルダイアグラムの例を示す図である。 本発明の実施の形態における、ファンダメンタルダイアグラムの他の例を示す図である。 本発明の実施の形態における、予測用データの例を示す図である。 本発明の実施の形態における、渋滞判定結果画面の例を示す図である。
はじめに、本発明の実施の形態の構成を説明する。
本発明の実施の形態では、道路網上の複数の位置や区間における、交通状態（車両の移動に係る状態）を監視対象として用いて、渋滞の発生有無の予測を行う。以下、道路網上の位置や区間を、監視対象の「地点」と呼ぶ。
図２は、本発明の実施の形態における、渋滞予測システム１０の構成を示すブロック図である。図２を参照すると、渋滞予測システム１０は、情報収集部１１、学習用ＤＢ（データベース）１３、予測用ＤＢ１４、予測器管理部１５、ダイアグラム管理部１６、交通状態予測部１７、渋滞判定部１８、及び、情報提供部１９を含む。
情報収集部１１は、監視対象の各地点における、交通状態、及び、周辺情報を収集する。ここで、交通状態としては、例えば、車両速度や、単位時間あたりの通過台数（流度）、車両密度等、が用いられる。また、周辺情報としては、例えば、交通状態を収集したときの時間帯や、曜日、祝日、月末等を示すカレンダ属性、各地点やその周辺における事故やイベントの有無、天候等が用いられる。
学習用ＤＢ１３は、所定の学習期間に収集された、各地点における、交通状態、及び、周辺情報を、学習用データとして格納する。
予測用ＤＢ１４は、新たな期間に収集された、各地点における、交通状態、及び、周辺情報を、予測用データとして格納する。
予測器管理部１５は、予測式学習部１５１、予測式格納部１５２、及び、交通パターン格納部１５３を含む。
予測式学習部１５１は、監視対象の各地点について、学習用ＤＢ１３に格納された学習用データを用いて、交通パターン毎に、交通状態予測器（以下、予測式とも記載する）を学習（生成）する。予測式は、ある時刻の１以上の地点における交通状態から、将来の予測対象時刻（以下、対象時刻とも記載する）の予測対象地点（以下、対象地点とも記載する）における交通状態を予測するための式である。本発明の実施の形態では、交通状態の予測式として、車両密度を予測する予測式を生成する。
予測式学習部１５１は、例えば、非特許文献２、３に開示されている異種混合学習技術を用いて、予測式を生成してもよい。また、予測式学習部１５１は、線形回帰モデルや、自己回帰モデル、自己回帰移動平均モデル等、一般的な時系列モデルを予測式として生成してもよい。
また、交通パターンは、各地点の交通状態に影響を与える、周辺情報の値の組み合わせである。
図７は、本発明の実施の形態における、交通パターンの例を示す図である。図７の例では、地点毎に交通パターンが生成され、例えば、地点「Ｘ１」では、カレンダ属性：「平日」、時間帯：「午前１０時〜１２時」、天候：「晴れ」であれば、交通パターン「Ｐ１１」に分類されることを示している。
なお、交通パターンに、周辺情報に加えて、現在時刻、あるいは、過去時刻の各地点の車両速度や通過台数等の交通状態が含まれていてもよい。
予測式格納部１５２は、予測式学習部１５１により生成された、各地点の予測式を格納する。
交通パターン格納部１５３は、各地点の交通パターンを格納する。
ダイアグラム管理部１６は、ダイアグラム学習部１６１（または、渋滞判定情報学習部とも記載する）、及び、ダイアグラム格納部１６２を含む。
ダイアグラム学習部１６１は、監視対象の各地点について、学習用ＤＢ１３に格納された学習用データを用いて、交通パターン毎に、ファンダメンタルダイアグラムを学習（生成）する。
図９、及び、図１０は、本発明の実施の形態における、ファンダメンタルダイアグラムの例を示す図である。
ファンダメンタルダイアグラムは、交通流の解析に用いられる表現方法であり、道路網上のある地点における、車両密度と交通流（車両速度や通過台数）との関係を示すダイアグラム（グラフ）である。ファンダメンタルダイアグラムは、各地点の交通状態が渋滞状態であるかどうかの判定に用いられる。ファンダメンタルダイアグラムは、本発明の渋滞判定情報の一実施形態である。
図９のファンダメンタルダイアグラムは、車両密度と通過台数との関係を示す。この場合、車両密度の増加に伴い、通過台数もほぼ線形に増加するが、車両密度がある値を超えると通過台数が上限に達し、その後は、減少する。これは、道路のある区間に存在する車両台数が一定値を超えると、その区間を通過可能な車両台数が減少、または、一定となり、交通流が滞留する、すなわち、渋滞流に遷移することを示している。
図１０のファンダメンタルダイアグラムは、車両密度と速度との関係を示す。この場合も、車両密度の増加に伴い、速度も増加するが、車両密度がある値を超えると、速度が急激に減少し、交通流が渋滞流に遷移する。
ファンダメンタルダイアグラムは、道路の物理的構造だけでなく、天候による路面状態の変化や、道路に流入する車両群の運転特性、すなわち、ドライバーの挙動によっても変化する。そのため、ファンダメンタルダイアグラムは、各地点の交通パターン毎に、学習によって生成される。
ダイアグラム格納部１６２は、ダイアグラム学習部１６１により生成されたファンダメンタルダイアグラムを格納する。
交通状態予測部１７は、予測式格納部１５２に格納された予測式と、予測用ＤＢ１４に格納された予測用データと、を用いて、予測対象時刻における予測対象地点の交通状態（車両密度）を予測する。
渋滞判定部１８は、ダイアグラム格納部１６２に格納されたファンダメンタルダイアグラムと、交通状態予測部１７によって算出された交通状態（車両密度）と、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する。
情報提供部１９は、渋滞判定部１８による渋滞判定結果（渋滞の発生有無）を、ユーザ等に提供（出力）する。情報提供部１９は、渋滞判定結果に加えて、交通状態予測部１７により予測された交通状態を提供（出力）してもよい。
なお、渋滞予測システム１０は、ＣＰＵ（Central Processing Unit）とプログラムを記憶した記憶媒体を含み、プログラムにもとづく制御によって動作するコンピュータであってもよい。
図３は、本発明の実施の形態における、コンピュータにより実現された渋滞予測システム１０の構成を示すブロック図である。
この場合、渋滞予測システム１０は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶デバイス１０２（記憶媒体）、キーボード、ディスプレイ等の入出力デバイス１０３、及び、他の装置等と通信を行う通信デバイス１０４を含む。ＣＰＵ１０１は、情報収集部１１、予測式学習部１５１、ダイアグラム学習部１６１、交通状態予測部１７、渋滞判定部１８、及び、情報提供部１９を実現するためのプログラムを実行する。記憶デバイス１０２は、学習用ＤＢ１３、予測用ＤＢ１４、予測式格納部１５２、交通パターン格納部１５３、及び、ダイアグラム格納部１６２のデータを記憶する。入出力デバイス１０３は、ユーザ等からの予測対象時刻や予測対象地点、交通パターンの入力、及び、ユーザ等への渋滞判定結果の出力を行う。通信デバイス１０４は、他の装置等から交通状態や周辺情報を受信する。また、通信デバイス１０４は、他の装置等から予測対象時刻や予測対象地点、交通パターンを受信し、他の装置等へ渋滞判定結果を送信してもよい。
また、渋滞予測システム１０の各構成要素は、論理回路で実現されていてもよい。この場合、複数の構成要素が、１つの論理回路で実現されていてもよいし、それぞれ、複数の独立した論理回路で実現されていてもよい。
また、渋滞予測システム１０の各構成要素は、有線または無線で接続された複数の物理的な装置に分散的に配置されていてもよい。この場合、渋滞予測システム１０は、複数のコンピュータによる分散処理により実現されていてもよい。
また、渋滞予測システム１０による渋滞予測等のサービスが、ＳａａＳ（Software as a Service）形式で、ユーザに提供されてもよい。
次に、本発明の実施の形態の動作について説明する。
＜学習処理＞
はじめに、本発明の学習処理について、説明する。
ここでは、予測式学習部１５１により用いられる予測式の生成方式が、非特許文献２、３に開示されている異種混合学習技術のように、予測式の学習と同時に交通パターンを学習可能であると仮定する。
図４は、本発明の実施の形態における、学習処理を示すフローチャートである。
情報収集部１１は、所定の学習期間において、監視対象の各地点における、交通状態、及び、周辺情報を、例えば、所定の時間間隔で収集する（ステップＳ１１）。情報収集部１１は、収集した交通状態、及び、周辺情報を、学習データとして、学習用ＤＢ１３に保存する。
ここで、情報収集部１１は、例えば、各地点に設置されているトラフィックカウンタの値や、車両に搭載されている端末から送信される車両プローブデータをもとに、交通状態を収集する。また、情報収集部１１は、例えば、交通状態を収集した時刻をもとに、時間帯やカレンダ属性等の周辺情報を収集する。また、情報収集部１１は、例えば、各地点の周辺の事故やイベントの有無、天候等の情報を提供するサーバ装置等から、交通状態を収集した時刻における、事故やイベントの有無、天候等の周辺情報を収集する。
なお、情報収集部１１は、他のシステムにおいて収集、格納された交通状態や周辺情報を、当該他のシステムから収集してもよい。また、情報収集部１１は、ユーザ等から、交通状態や周辺情報を収集してもよい。
図６は、本発明の実施の形態における、学習用データの例を示す図である。図６の例では、交通状態として、各地点の車両速度、通過台数、及び、車両密度が収集されている。また、周辺情報として、事故の有無、天候、時間帯、カレンダ属性が収集されている。
例えば、情報収集部１１は、図６のような学習用データを、学習用ＤＢ１３に保存する。
次に、予測器管理部１５の予測式学習部１５１は、監視対象の各地点について、学習用データをもとに、交通パターン、及び、交通パターン毎の交通状態（車両密度）を予測するための予測式を学習（生成）する（ステップＳ１２）。予測式学習部１５１は、学習した交通パターンを、交通パターン格納部１５３に格納する。また、予測式学習部１５１は、学習した交通パターン毎の予測式を、予測式格納部１５２に格納する。
例えば、予測式学習部１５１は、異種混合学習技術を用いて、予測精度が高くなるような交通パターンを、予測式と同時に学習する。
なお、交通パターンがユーザ等により定義可能な場合、予測式学習部１５１は、交通パターン格納部１５３にユーザ等により予め格納された交通パターンを取得し、取得した交通パターン毎に、学習用データを用いて、予測式を学習してもよい。
例えば、予測式の生成方式として、線形回帰モデルや、自己回帰モデル、自己回帰移動平均モデル等、一般的な時系列モデルの生成方式が用いられる場合、ユーザ等により定義された交通パターン毎に、これらの時系列モデルが、予測式として学習される。
予測式学習部１５１は、例えば、各地点について、交通パターン毎に、数１式のような予測式を学習する。
Figure 0006777082
 ここで、
Ｖｉ（ｔ）、Ｎｉ（ｔ）、ρｉ（ｔ）は、それぞれ、時刻ｔにおける、地点ｘｉ（ｉ＝１、２、…、Ｍ；Ｍは監視対象の地点の数）の車両速度、通過台数、車両密度である。また、ρ'ｊ，ｋ（ｔ＋Ｔ）は、地点ｘｊ（j＝１、２、…、Ｍ）における交通パターンｋ（k＝１、２、…、Ｌj；Ｌjは、地点ｘｊの交通パターンの数）に対する、時刻ｔ＋Ｔの車両密度の予測値である。予測式学習部１５１は、各地点ｘｊの交通パターンｋについて、パラメータａｉｊ，k、ｂｉｊ，k、ｃｉｊ，kを決定する。
図８は、本発明の実施の形態における、予測式の生成例を示す図である。
例えば、予測式学習部１５１は、異種混合学習技術を用いて、各地点について、図７のような交通パターンを学習するとともに、図８のように、交通パターン毎の予測式を学習する。
次に、ダイアグラム管理部１６のダイアグラム学習部１６１は、監視対象の各地点について、学習用データをもとに、交通パターン毎に、ファンダメンタルダイアグラムを学習（生成）する（ステップＳ１３）。ダイアグラム学習部１６１は、生成したファンダメンタルダイアグラムを、ダイアグラム格納部１６２に格納する。
ここで、ダイアグラム学習部１６１は、例えば、非特許文献４に開示されている手法により、ファンダメンタルダイアグラムを生成し、渋滞流への遷移を判定するための車両密度の閾値ＴＨを特定する。この場合、ダイアグラム学習部１６１は、ハイパボリックタンジェント関数のような関数形を仮定し、当該関数に、学習用データをフィッティングさせることにより、当該関数のパラメータを決定する。
例えば、ダイアグラム学習部１６１は、各地点について、図７の交通パターン毎に、図９、または、図１０のようなファンダメンタルダイアグラムを生成し、閾値ＴＨを特定する。
＜予測処理＞
次に、本発明の予測処理について、説明する。
ここでは、上述の学習処理より、図７のような交通パターンに対して、図８のような予測式、及び、図９のようなファンダメンタルダイアグラムが生成されていると仮定する。また、予測式としては、２時間後（Ｔ＝２）の交通状態を予測する予測式が生成されていると仮定する。
また、情報収集部１１が、新たな期間において、監視対象の各地点における交通状態、及び、周辺情報を、上述のステップＳ１１と同様に、例えば、所定の時間間隔で収集し、予測用ＤＢ１４に保存していると仮定する。
図１１は、本発明の実施の形態における、予測用データの例を示す図である。例えば、予測用ＤＢ１４には、図１１のような予測用データが保存されている。
図５は、本発明の実施の形態における、予測処理を示すフローチャートである。
情報収集部１１は、ユーザ等から、渋滞予測要求として、予測対象地点、及び、予測対象時刻の入力を受け付ける（ステップＳ２１）。
例えば、情報収集部１１は、時刻「2015/08/03 10:00」に、予測対象地点「Ｘ１」、予測対象時刻「2015/08/03 12:00」を受け付ける。
次に、交通状態予測部１７は、予測式と予測用データとを用いて、予測対象時刻における予測対象地点の交通状態（車両密度）を予測する（ステップＳ２２）。ここで、交通状態予測部１７は、予測対象地点における予測対象時刻の周辺情報の組み合わせに対応する交通パターンを特定する。交通状態予測部１７は、予測対象地点における予測対象時刻の周辺情報を、ユーザ等から予測条件として取得してもよいし、他の装置から取得してもよい。例えば、交通状態予測部１７は、周辺情報の内の事故の有無や天候を、ユーザ等から入力させてもよい。また、交通状態予測部１７は、イベントの有無を、各地点の周辺のイベント予定等の情報を提供するサーバ装置等から取得してもよい。そして、交通状態予測部１７は、特定した交通パターンに対応する予測式を用いて、予測対象地点における予測対象時刻の交通状態（車両密度）を予測する。
例えば、ユーザ等から、予測対象地点「Ｘ１」、予測対象時刻「2015/08/03 12:00」に係る予測条件として、「事故の有無：なし」、「天候：晴れ」が指定されている場合、交通パターンは、図７の交通パターンの内の「Ｐ１１」に対応する。したがって、交通状態予測部１７は、図８の、地点「Ｘ１」、交通パターン「Ｐ１１」に対応する予測式「ρ'Ｘ１，Ｐ１１（ｔ＋Ｔ）＝…」を用いて、予測対象地点「Ｘ１」における、予測対象時刻「2015/08/03 12:00」の交通状態（車両密度）の予測値を算出する。
渋滞判定部１８は、交通状態予測部１７によって算出された交通状態（車両密度）と、ファンダメンタルダイアグラムと、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する（ステップＳ２３）。ここで、渋滞判定部１８は、例えば、予測対象時刻における予測対象地点の交通状態（車両密度）が、予測対象地点の、特定した交通パターンに対応するファンダメンタルダイアグラムの閾値ＴＨより大きい場合、「渋滞発生」と判定する。
例えば、交通状態（車両密度）の予測値ρ'Ｘ１，Ｐ１１（ｔ＋Ｔ）が、図９のファンダメンタルダイアグラムで示される閾値ＴＨＸ１，Ｐ１１より大きい場合、渋滞判定部１８は、「渋滞発生」と判定する。
情報提供部１９は、渋滞判定部１８による渋滞判定結果（渋滞の発生有無）を、ユーザ等に提供（出力）する（ステップＳ２４）。
図１２は、本発明の実施の形態における、渋滞判定結果画面の例を示す図である。図１２の例では、渋滞判定結果画面において、予測対象地点における予測対象時刻の渋滞の発生有無、交通状態（車両密度）の予測値、及び、予測に用いた周辺情報が示されている。
例えば、情報提供部１９は、図１２のような渋滞判定結果画面を提供（出力）する。
なお、情報提供部１９は、渋滞予測要求を入力したユーザ以外の、他のユーザの端末装置等にも、渋滞判定結果を通知してよい。
また、渋滞予測システム１０は、複数地点の内の１以上の任意の地点についてステップＳ２２〜Ｓ２４を実行することにより、当該任意の地点に対する渋滞を判定することで、広範囲の渋滞予測を行ってもよい。また、渋滞予測システム１０は、渋滞予測要求が入力された場合に限らず、複数地点の内の任意の地点について、ステップＳ２２〜Ｓ２４を繰り返し実行することで、Ｔ時間後の渋滞予測結果を更新してもよい。
以上により、本発明の実施の形態の動作が完了する。
なお、本発明の実施の形態では、渋滞予測システム１０は、予測対象地点の交通状態として車両密度を予測した。しかしながら、これに限らず、渋滞予測システム１０は、渋滞判定情報（ファンダメンタルダイアグラム）を用いて渋滞が発生するかどうかを判定できれば、車両密度以外の他の交通状態を予測してもよい。例えば、特定の交通パターンでは、通過台数と車両密度との関係を示したファンダメンタルダイアグラムにおいて、車両密度を用いた場合と同程度の精度で、通過台数をもとに、渋滞が発生するかどうかを判定できる。この場合、予測式学習部１５１は、各地点の通過台数を予測する予測式を生成し、渋滞判定部１８は、当該予測式により算出された通過台数と、ファンダメンタルダイアグラムと、をもとに、渋滞が発生するかどうかを判定する。
また、本発明の実施の形態では、渋滞予測システム１０は、渋滞判定情報としてファンダメンタルダイアグラムを用いた。しかしながら、これに限らず、予測式により算出された交通状態から渋滞が発生するかどうかを判定できれば、渋滞予測システム１０は、例えば、各地点の交通パターン毎の、車両密度に係る判定閾値を示すテーブル等、他の形式の渋滞判定情報を用いてもよい。
次に、本発明の実施の形態の特徴的な構成を説明する。図１は、本発明の実施の形態の特徴的な構成を示すブロック図である。
図１を参照すると、渋滞予測システム１０は、交通状態予測部１７、及び、渋滞判定部１８を含む。交通状態予測部１７は、１以上の地点の交通状態から予測対象地点における交通状態を予測する予測式を用いて、予測対象地点における予測対象時刻の交通状態を予測する。渋滞判定部１８は、予測対象地点の交通状態と渋滞状態との関係を示す渋滞判定情報と、予測した予測対象地点における予測対象時刻の交通状態と、をもとに、予測対象地点において予測対象時刻に渋滞が発生するかどうかを判定する。
次に、本発明の実施の形態の効果を説明する。
本発明の実施の形態によれば、高い精度で渋滞を予測できる。その理由は、渋滞予測システム１０が、予測式を用いて、予測対象地点における予測対象時刻の交通状態を予測し、渋滞判定情報と、予測した交通状態と、をもとに、当該予測対象地点において当該予測対象時刻に渋滞が発生するかどうかを判定するためである。
これにより、予測式により表される、空間的、時間的な交通状態間の相関関係を用いて、予測対象地点における予測対象時刻の交通状態を、空間的、時間的に高精度で予測できる。したがって、過去の同じ状況において渋滞が発生していなくても、予測した交通状態をもとに、渋滞の有無を、空間的、時間的に高精度に判定できる。
また、渋滞予測システム１０は、予測式、及び、渋滞判定情報を、交通状態に影響する周辺情報の組み合わせである、交通パターン毎に生成し、予測対象時刻の周辺情報に対応する予測式、及び、渋滞判定情報を用いて、渋滞の有無を判定する。したがって、渋滞の有無を、より高精度に判定できる。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１５年８月２７日に出願された日本出願特願２０１５−１６７３９７を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０ 渋滞予測システム
１０１ ＣＰＵ
１０２ 記憶デバイス
１０３ 入出力デバイス
１０４ 通信デバイス
１１ 情報収集部
１３ 学習用ＤＢ
１４ 予測用ＤＢ
１５ 予測器管理部
１５１ 予測式学習部
１５２ 予測式格納部
１５３ 交通パターン格納部
１６ ダイアグラム管理部
１６１ ダイアグラム学習部
１６２ ダイアグラム格納部
１７ 交通状態予測部
１８ 渋滞判定部
１９ 情報提供部

Claims (15)

  1. １以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、を備え、
    前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記交通状態予測手段は、前記対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記渋滞判定手段は、前記対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    渋滞予測システム。
  2. １以上の地点の交通状態、及び、対象地点における交通状態の時系列をもとに、当該１以上の地点の交通状態から当該対象地点における交通状態を予測する予測式を生成する、予測式学習手段と、
    前記予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、
    を備えた、渋滞予測システム。
  3. 対象地点における交通状態の時系列をもとに、前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報を生成する、渋滞判定情報学習手段と、
    １以上の地点の交通状態から前記対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測する交通状態予測手段と、
    前記対象地点の渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、渋滞判定手段と、
    を備えた、渋滞予測システム。
  4. さらに、前記対象地点における交通状態の時系列をもとに、前記対象地点の渋滞判定情報を生成する、渋滞判定情報学習手段、を備える、
    請求項２に記載の渋滞予測システム。
  5. 前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記交通状態予測手段は、前記対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記渋滞判定手段は、前記対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    請求項２乃至４のいずれかに記載の渋滞予測システム。
  6. １以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定し、
    前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    渋滞予測方法。
  7. １以上の地点の交通状態、及び、対象地点における交通状態の時系列をもとに、当該１以上の地点の交通状態から当該対象地点における交通状態を予測する予測式を生成し、
    前記予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    渋滞予測方法。
  8. 対象地点における交通状態の時系列をもとに、前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報を生成し、
    １以上の地点の交通状態から前記対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    渋滞予測方法。
  9. さらに、前記対象地点における交通状態の時系列をもとに、前記対象地点の渋滞判定情報を生成する、
    請求項７に記載の渋滞予測方法。
  10. 前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    請求項７乃至９のいずれかに記載の渋滞予測方法。
  11. コンピュータに、
    １以上の地点の交通状態から対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定し、
    前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    処理を実行させるプログラム。
  12. コンピュータに、
    １以上の地点の交通状態、及び、対象地点における交通状態の時系列をもとに、当該１以上の地点の交通状態から当該対象地点における交通状態を予測する予測式を生成し、
    前記予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    処理を実行させるプログラム。
  13. コンピュータに、
    対象地点における交通状態の時系列をもとに、前記対象地点の交通状態が渋滞状態であるかどうかを判定するための閾値を示す渋滞判定情報を生成し、
    １以上の地点の交通状態から前記対象地点における交通状態を予測する予測式を用いて、前記対象地点における対象時刻の交通状態を予測し、
    前記対象地点の渋滞判定情報と、前記予測した当該対象地点における前記対象時刻の交通状態と、をもとに、当該対象地点において当該対象時刻に渋滞が発生するかどうかを判定する、
    処理を実行させるプログラム。
  14. さらに、前記対象地点における交通状態の時系列をもとに、前記対象地点の渋滞判定情報を生成する、
    処理を実行させる、請求項１２に記載のプログラム。
  15. 前記対象地点の前記予測式、及び、渋滞判定情報は、当該対象地点の交通状態に影響する、周辺情報の組み合わせごとに生成され、
    前記対象地点における前記対象時刻の交通状態を予測する場合、当該対象地点の周辺情報の組み合わせに対応する前記予測式を用いて、交通状態を予測し、
    前記対象地点において前記対象時刻に渋滞が発生するかどうかを判定する場合、当該対象地点の周辺情報の組み合わせに対応する渋滞判定情報を用いて、渋滞が発生するかどうかを判定する、
    処理を実行させる、請求項１２乃至１４のいずれかに記載のプログラム。
JP2017536610A 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、プログラム Active JP6777082B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015167397 2015-08-27
JP2015167397 2015-08-27
PCT/JP2016/003778 WO2017033443A1 (ja) 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、記録媒体

Publications (2)

Publication Number Publication Date
JPWO2017033443A1 JPWO2017033443A1 (ja) 2018-07-05
JP6777082B2 true JP6777082B2 (ja) 2020-10-28

Family

ID=58100429

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017536610A Active JP6777082B2 (ja) 2015-08-27 2016-08-18 渋滞予測システム、渋滞予測方法、及び、プログラム

Country Status (2)

Country Link
JP (1) JP6777082B2 (ja)
WO (1) WO2017033443A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6843780B2 (ja) * 2018-01-18 2021-03-17 ヤフー株式会社 情報処理装置、学習済みモデル、情報処理方法、およびプログラム
CN109087509B (zh) * 2018-09-04 2020-03-31 重庆交通大学 一种路网交通运行状态预测方法
US11904854B2 (en) 2020-03-30 2024-02-20 Toyota Research Institute, Inc. Systems and methods for modeling pedestrian activity
KR102254767B1 (ko) * 2020-11-19 2021-05-24 한국건설기술연구원 차량 영상인식 기반 교통량 조사 장치 및 방법
CN113706863B (zh) * 2021-08-05 2022-08-02 青岛海信网络科技股份有限公司 一种道路交通状态预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004348598A (ja) * 2003-05-23 2004-12-09 Aisin Aw Co Ltd 渋滞推定システム
JP2005352615A (ja) * 2004-06-09 2005-12-22 Hitachi Ltd プローブカーを用いた交通量管理エリアの交通量制御システム及びプローブカー情報収集配信センタ
JP2008059181A (ja) * 2006-08-30 2008-03-13 Toshiba Corp 道路交通管制訓練装置及び道路交通管制訓練システム
JP2014191765A (ja) * 2013-03-28 2014-10-06 Denso It Laboratory Inc 渋滞予測装置

Also Published As

Publication number Publication date
JPWO2017033443A1 (ja) 2018-07-05
WO2017033443A1 (ja) 2017-03-02

Similar Documents

Publication Publication Date Title
JP6777082B2 (ja) 渋滞予測システム、渋滞予測方法、及び、プログラム
Lin et al. Road traffic speed prediction: A probabilistic model fusing multi-source data
Chen et al. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach
Hu et al. Arterial offset optimization using archived high-resolution traffic signal data
Khattak et al. Operational performance evaluation of adaptive traffic control systems: A Bayesian modeling approach using real-world GPS and private sector PROBE data
Yildirimoglu et al. Experienced travel time prediction for congested freeways
Chen et al. A flow feedback traffic prediction based on visual quantified features
US9008954B2 (en) Predicting impact of a traffic incident on a road network
CN102346964A (zh) 道路交通网络区域拥堵实时预测与智能管理系统
US20150269491A1 (en) Predicting arrival times of vehicles based upon observed schedule adherence
JP2015125775A (ja) システムでの需要の予測のためのマルチタスク学習システムおよび方法
CN112185124B (zh) 一种全路网交通状态预测方法及装置
Kuemper et al. Valid. IoT: A framework for sensor data quality analysis and interpolation
EP3572991A1 (en) Transit demand forecasting device and transit demand forecasting method
Lu et al. Estimating freeway travel time and its reliability using radar sensor data
JP2019008689A5 (ja)
Yao et al. An efficient heterogeneous platoon dispersion model for real-time traffic signal control
Zhang et al. Predicting risky driving in a connected vehicle environment
KR102545188B1 (ko) 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
Vlahogianni et al. Statistical characteristics of transitional queue conditions in signalized arterials
Vu et al. Bus running time prediction using a statistical pattern recognition technique
Ma et al. A multi-parameter chaotic fusion approach for traffic flow forecasting
Fan et al. Prediction of road congestion diffusion based on dynamic Bayesian networks
Miller et al. Advanced tutorial on microscopic discrete-event traffic simulation
Makanadar et al. Urban Mobility: Leveraging AI, Machine Learning, and Data Analytics for Smart Transportation Planning-A case study on New York City

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180207

A529 Written submission of copy of amendment under section 34 (pct)

Free format text: JAPANESE INTERMEDIATE CODE: A5211

Effective date: 20180207

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190716

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200512

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200710

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200908

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200921

R150 Certificate of patent or registration of utility model

Ref document number: 6777082

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150